ResNet34的结构

ResNet34是一种深度残差网络（Residual Network），由Kaiming He等人于2015年提出，主要用于解决深度神经网络训练过程中的梯度消失和模型退化问题。它包含了一系列堆叠的 residual blocks（残差块），每个block包含两个3x3卷积层，中间通过跳跃连接（skip connection）相连，使得网络能够学习到更深的特征表示。

ResNet34的具体结构分为几个部分：
1. **输入层**：接收原始图像数据，通常为224x224 RGB图像。
2. **基本块 (Basic Blocks)**：由两个3x3卷积层组成，每个层后接ReLU激活函数，并且第一个卷积层之后会有步长为1的池化操作，降低分辨率。
3. **残差块 (Bottleneck Blocks)**：在每一组residual blocks中，有时会交替使用基础块和瓶颈块，后者包含一个1x1、3x3和1x1的卷积层序列，增加深度的同时减小了计算量。
4. **全局平均池化 (Global Average Pooling)**：在网络的最后一部分，通常用这一层替换全连接层，获取的是整个图像的全局特征。
5. **分类层 (Classification Layer)**：对全局平均池化的结果进行线性变换，得出最终的类别预测。